Exact Deviation Attribution and Amortised Event Explanation for Semi-Supervised Anomaly Detection on Dynamic Graphs
Este artigo introduz um framework para detecção de anomalias semissupervisionada em grafos dinâmicos que fornece atribuição de desvio exata e em forma fechada e aprende uma máscara de evento amortizada para explicar decisões com impacto zero no desempenho da detecção, ao mesmo tempo em que revela que os alertas frequentemente derivam igualmente do comportamento individual do nó e de mudanças na linha de base da população.